充电方式（共7篇）
充电方式 篇1
近年来, 随着机器人技术的发展及产业化, 扫地机器人越来越受到人们的青睐, 走进千家万户。目前大部分的扫地机器人采用可充电的电池来维持自身供电且使用接触性 (有线) 充电方式, 一旦电能耗尽, 需要采用人工干预的方式进行能量补充, 这种非自主性的行为不仅严重阻碍了扫地机器人的智能化。而且采用接触性的充电方式需要对插头进行反复插拔, 造成机械磨损, 时间久了会造成接触不良, 影响到电气设备的寿命。因此, 设计一种自动、非接触性充电方式对扫地机器人进行能量补充具有很大的意义。
无线能量传输技术根据传输原理的不同可分为3 类:基于电磁感应耦合方式的近距离无线电能传输、基于磁耦合谐振方式的中等距离无线电能传输和基于电磁波 (微波) 方式的长距离无线电能传输。根据分析比较并结合扫地机器人的工作特性, 采用磁耦合谐振方式对扫地机器人进行无线充电。磁耦合谐振无线能量传输通过磁场的近场耦合, 使发射线圈和接收线圈发生共振来实现能量传输。一般情况下, 两个有一定距离的线圈相互之间是弱耦合, 但若两者具有相同的谐振频率, 则会产生电磁谐振, 构成一个电磁谐振系统, 产生更大的能量传输。该技术与电磁感应耦合传输方式相比, 其能量传输距离更远 (理论上可以达到几十厘米以上至几米) , 与微波式能量传输相比, 其传输效率更高, 不会产生辐射、干扰等潜在问题。
1 系统硬件电路设计
如图1 扫地机器人无线充电系统原理框图所示, 该系统主要由功率发射单元PTU (Power Transmitting Unit) 、功率接收单元PRU (Power Receiving Unit) 组成。如图1 扫地机器人无线充电系统原理框图所示, PTU主要由主控芯片、高频逆变电路、驱动板、辅助供电电路、采样电路、通信解调电路构成。高频逆变电路, 采用4 个半桥构成两个全桥进行驱动, 用于将低压直流转化为高频交流;采样电路用于采集输入电压、线圈电压、线圈电流、温度信号。辅助电路提供3.3V的控制电压以及12V的驱动电压;解调电路用于解调PRU发送的信息并将其反馈给主控芯片。PRU主要由高频整流电路、滤波电路、DC/DC稳压电路、采样电路组成。高频整流将耦合得到的交流高频信号转化为直流, 再通过滤波电路产生稳定的直流电压, 通过DC-DC稳压得到24V的输出电压。PTU通过PRU发送的参数信息 (整流电压、次级线圈电流、控制信号等) 以及检测初级线圈上的反馈信息做出决策, PTU通过改变PWM波频率和占空比的方式对输出功率进行调节。PRU通过定时采集接收端的整流电压、输出电流等信息向PTU反馈以调节PTU输出功率。
2 基于AM的调制解调模块设计
该系统采用反向散射的机制实现发射端和接收端的通信。PRU通过调节从PTU拾取的能量对信息进行编码, PRU拾取的能量变化会引起PTU端线圈电流幅值的变化, PTU通过检测发射线圈的电流幅值变化来解调信号。
2.1 PRU调制硬件电路设计
通信的性能对无线充电系统响应速度以及安全可靠性起着决定性的作用。由于无线充电系统发射和接收部分分离, 因此通信必须准确快速, 系统才能根据负载端的变化及时做出响应。本系统采用二进制振幅键控Amplitude shift keying (ASK) 的方式进行信号调制, 。PRU通过主控芯片 (PIC16F1508) 输出2KHz的调制信号。硬件部分采用电容调制的方法对信号进行幅值调制, 即通过改变接收端并联电容使谐振曲线发生偏移, 从而改变发射线圈电流幅值。PTU通信调制电路如图2 所示, 在接收端整流电路的交流侧并联两个电容, 两个电容各与一个开关管串联, 芯片输出的调制信号通过高低电平控制开关管的状态, 完成信号调制, 该调制信号加载到载波信号。接着将已调信号通过接收线圈耦合到发射线圈。如图3PRU调制信号与已调波形所示:位于上方蓝色标签2 为调制信号波形, 位于下方红色标签3 为已调信号波形。
2.2 PTU解调电硬件路设计
发射端通过解调电路解调出调制信号, 如图4 通信解调硬件电路所示:PTU从发射线圈获取已调信号 (线圈电压) , 首先通过降压电路对已调信号进行降压处理, 紧接着通过二级管、直流滤波器整流得到0-2V的直流信号, 该信号通过低通滤波器从130KHz~200KHz的高频载波得到2KHz的调制信号, 最后通过比较器得到0~3.3V的调制信号, 如图5PTU初级线圈端耦合信号与解调信号所示, 位于上方红色标签3 为PTU初级线圈端耦合信号, 位于下方黄色标签1 为经过解调电路后的解调信号, 该解调信号提供给主控芯片PIC进行解码处理。
3 系统软件设计
为了提高扫地机器人无线充电系统的兼容性和扩展性, 按照Qi标准进行系统的软硬件设计。PTU主要负责信号解调、控制算法、功率调节、故障处理等工作, 采用的主控芯片需要具备较强的数据处理能力以及高实时性要求。经过综合性考虑, 采用Microchip的ds PIC33EP16GS202, 该处理器主频70MHz, PWM模块倍频高达960MHz, 对于200KHz的PWM波, 可以精确到10Hz的步进, 满足系统的调频精确度要求;2 个12 位的独立的SAR ADC核和一个共享的SAR ADC核, 3.25MHz的转换速率可以满足采样的实时要求, 对过压、过流等故障情况及时做出处理;利用ds PIC33EP16GS202 芯片的CCP的捕获比较单元, 实现信号的软件解码, 通过使能上升沿和下降沿捕获中断, 计算信号的高、低电平持续时间及500us周期内的翻转情况实现“0”和“1”的软件解码, 进而获得PRU发送的报文信息 (一个报文包括报文头、报文信息、报文校验和) 。PRU主要负责采集电压、电流信号, 并将这些信号进行编码、封装发送给PTU, 因此对于芯片的要求不高, 8 位的MCU就可以满足要求, 现采用Microchip一款性价比高, 20 引脚封装的8 位的PIC16F1508单片机。 图6 为PTU程序流程图, 图7 为PRU程序流程图。该系统的工作流程如下所示:
3.1 缓启自检阶段
该阶段主要是通过比例调节PWM占空比进行缓启动。在缓启过程进行过压、欠压、过流检测。当检测到以上故障则退出启动并点亮故障指示灯。
3.2 选择PING阶段
该阶段即为PTU选择、定位扫地机器人充电端 (PRU) 。PTU选择PING的周期为500ms, 占空比为10%。若此时充电区域内有PRU, PRU通过线圈耦合会拾取到电能, 该电能给PRU系统供电, PTU检测整流电压Vrect, 当Vrect超过Vrect Low时, PRU即向PTU发送开始充电报文 (0x01, 0x00, 0x00, 0x03) 。
3.3 充电阶段
PTU收到PRU发送的开始充电报文后, 系统进入充电阶段。该阶段主要是进行功率调节。PRU每隔500ms会发送一个功率调节报文, 该报文包括PRU的整流电压Vrect和次级线圈的电流Icoil。PTU根据次级线圈电流计算PRU预期的整流电压Vrect_target。根据实际整流电压值和预期整流电压值的误差利用PID算法调节PWM波的频率和占空比实现功率的调节。这里采用频率调节为主, 占空比调节为辅的算法。频率调节的范围在130KHz~200KHz, 占空比调节范围为10%~47%。
3.4 充电完成以及故障处理
当PRU检测到充电完成, 向PTU发送充电完成报文, PTU收到后关闭PWM模块, 结束功率输出。PTU端的故障包括:过压、过流、过温、通信超时故障。对于过压、过流、过温故障采取立即关闭PWM模块, 停止功率输出的措施。通信超时阈值为2 秒, 当通信超时, 系统重新进入选择PING阶段。若PRU在充电过程中发生故障应向PTU发送故障报告并尝试自行修复。若无法自行修复则进入故障闭锁状态, 关闭DC-DC停止向负载供电。
4 实验研究与分析
如图8 所示为无线充电系统硬件实物图, 左一为PTU单元, 能量的发射端, 输出功率。位于中间的为发射线圈和接收线圈, 用纸片垫高间距为3CM, 位于右侧的是PRU单元, 能量的接收端。该系统的线圈阻抗匹配采用固定电容补偿, 初级线圈和次级线圈的共振频率均为100KHz, 由于在共振点附近功率随频率的波动幅度较大, 不利于频率调节, 所以选取其图6:PTU程序流程图图7:PRU程序流程图工作区域偏离共振点, 经过大量实验证明, 选取工作区域为130KHz~200KHz。在此范围内, 输出功率随频率增大而减小, 且线性度比较高, 稳定性好。经试验证明, 系统可以实现24W (24V, 1A) 的能量传输。在线圈间距3cm的情况下, 充电效率在电子负载输出电流在0.6A左右的时候最高, 此时效率为85%, 满载的时候效率有所降低, 但也可达到77%。
5 结语
设计基于磁耦合谐振式的无线能量传输系统, 实现了对扫地机器人的非接触式充电。采用基于PID控制算法的变频及占空比控制策略, 保证系统功率输出在变载或者一定在水平和垂直位移内保持恒定, 提高系统的稳定性。利用AM调制解调载波通信方式实现PTU和PRU的之间通信, 该通信不仅硬件电路简单, 成本低, 而且通信速率可以符合系统的实时性要求。实验测试表明, 设计的扫地机器人可实现无人工干预环境下安全、可靠、高效率自动充电, 具有很大的市场应用前景。
摘要：为了提高扫地机器人的智能化程度, 设计基于磁耦合谐振式的无线能量传输系统对扫地机器人进行非接触式充电。系统设计遵循Qi标准, 具备兼容性和通用性。经实验测试证明, 该系统可以实现24W (24V, 1A) 的能量传输, 传输距离可以达到3cm, 系统的最大效率可以达到85%。
关键词：扫地机器人,无线充电,磁耦合谐振式,PID控制,AM调制解调通信
参考文献
[1]宋凯, 朱春波, 李阳.基于磁耦合谐振的自主无线充电机器人系统设计[J]电工技术学报.2014.29 (9) 39-40.
[2]吕玥珑.磁耦合谐振式无线能量传输特性研究[D]哈尔滨工业大学.2014.6:2-5.
[3]陆洪伟.一种谐振式强磁耦合型无线充电系统的研究[D]上海交通大学.2012 (01) .
[4]窦廷军.一种磁耦合谐振式无线充电系统的设计[D].电子科技大学.2013.6:3-10.
[5]Liao Chenglin, Li Junfen, Wang Lifang.Mid-Range Wireless Charging System for Electric Vehicle[J].电工技术学报.2013 (28) :81-83.
[6]朱华.松耦合无线能量传输系统相关技术研究[D].南京邮电大学.2013 (05) .
充电方式 篇2
图1 为单相电压型PWM整流器用于电动汽车充电的电路框图,假设电动汽车内部的储能系统由超级电容器和锂电池混合组成,每个储能介质由各自的双向DC/DC变换器实现充电控制。本文主要研究图1 所示的单相PWM整流器处于整流状态时的调制方式。
对于单相电压型PWM整流器而言,传统的PWM调制方式有两种,即双极性调制与单极性调制[5]。采用单极性调制方式时,每个周期内只有2个开关管交替开通,而其余两管一直关断,因此可以降低开关损耗,但网侧电感电流波形存在过零点失真问题。而采用双极性调制方式时,每个周期内4 个开关管都处于交替开关状态,开关损耗相对较大,但其网侧电感电流波形不存在失真问题,正弦度高[6,7]。针对两种调制方式的优缺点,本文提出单极性调制和双极性调制相结合的混合调制方式,既可以降低开关损耗,也可以解决单极性调制时电网电流过零点失真的问题,从而提高整流器的效率。
1 单极性调制方式分析
单相全桥电压型PWM整流器采用单极性调制方式时,其交流侧电压v(t) 将在0,Vdc或0,-Vdc间切换[5,6]。下面以T1,T2管交替开通,T3,T4管一直关断为例进行说明。不同开关模式下电流回路见图2。
在交流侧基波电压正半周时,V(t) 将在0,Vdc间切换,开关管T1一直关断,通过PWM控制T2管的通断来控制输出电压。当T2开通时等效电路如图2a所示,当T2关断时等效电路如图2b所示,整个过程相当于Boost升压电路。
在交流侧基波电压负半周时,v(t) 将在0,-Vdc间切换,开关管T2一直关断,通过PWM控制T1管的通断来控制输出电压。当T1开通时等效电路如图2c所示,当T1关断时等效电路如图2d所示,整个过程相当于Boost升压电路。
同理,当T3,T4管交替开通,T1,T2管一直关断时,电路工作原理类似。
由以上分析可知,设输入电压为Vin,电感为L,占空比为d1。
当开关管开通时:
当开关管关断时:
则在1个开关周期内,电感电流与输入电压、占空比之间的关系式为
单极性调制时只需对上桥臂全控型开关管T1和T2(或下桥臂全控型开关管T3和T4)进行PWM控制。其余两管可以采用不控二极管,若采用全控型器件,则只需一直关断即可,进而可以降低电路成本和开关损耗。由单极性调制时的4种工作模式可以看出,单极性调制时会存在电感电流过零点失真问题,造成电流失真的原因为:在过零点时刻脉冲宽度过窄,因此过零点附近一定宽度内电感电流为0,造成电流波形失真,如图3所示。
2 双极性调制方式分析
单相全桥电压型PWM整流器采用双极性调制方式时,交流侧电压v(t) 将在Vdc与-Vdc间切换,以实现交流侧电压的PWM控制。存在4 种工作模式[5]。
模式1:当T2,T3开通时,交流侧电压v(t) 为-Vdc,网侧电感端电压大于0,这时电网电动势和直流侧电容同时使电感磁能增大,从而使网侧电流增加,i(t)> 0 ,其等效电路如图4a所示。
模式2:当4个开关管都关断时,由于i(t)> 0 ,回路电流经过T1,T4的反并联二极管续流,交流侧电压v(t) 为Vdc。若e(t) ,i(t) 同相,则网侧电感端电压小于0,因此,这时电网电动势与网侧电感共同向直流侧电容充电,网侧电感磁能减小,从而使网侧电流衰减,其等效电路如图4b所示。
模式3:当T1,T4开通时,交流侧电压v(t) 为Vdc,i(t) < 0 ,工作原理不再详述,其等效电路如图4c所示。
模式4:当4 个开关管都关断时,由于i(t) < 0 ,回路电流经过T2,T3的反并联二极管续流,交流侧电压v(t) 为-Vdc,工作原理不再详述,其等效电路如图4d所示。
由以上分析可知,设占空比为d2。
当开关管开通时:d
当开关管关断时:
则在1个开关周期内,电感电流与输入电压、占空比之间的关系式为
对于双极性调制而言,开关管T1,T2,T3,T4都需为全控型器件,其中T1和T4的驱动信号相同,T2和T3的驱动信号相同,且同一桥臂上下两管驱动信号互补。因此1个周期内4个开关管都高频动作,开关损耗大,其优点是相同参数条件下,与单极性调制方式相比,电感电流更接近于正弦波。
3 单双极性混合调制方式
结合单极性调制方式和双极性调制方式的优缺点,提出单极性和双极性结合的混合调制方式,在过零换相处使用双极性调制方式,其余部分采用单极性调制方式,如图5所示,在1个工频周期内t1—t2和t4—t5时间段采用单极性调制,其余时间段采用双极性调制方式。这样既可以得到正弦度较高的电流波形,又可以一定程度上降低开关损耗,从而提高整流器的效率。
采用混合调制方式时,如何选取单极性和双极性调制的切换点是关键,由式(3)和式(6)可知电感储存相同能量时d1= 2d2,即相同占空比时,双极性调制时电感储存能量比单极性调制时多。
显而易见,双极性调制的时间必须大于等于过零点电流波形失真的时间段,双极性调制时间越长,电网电流波形正弦度越好,但开关损耗相对增大,所以双极性调制区间的长短需综合考虑电流谐波和开关损耗要求,选择一个最优区间,使得在过零点时刻电感能量刚好为零。满足电流谐波畸变率要求的情况下,双极性调制时间最短,从而使得开关损耗降到最低,系统效率达到最高。实际上,针对不同的电流有效值,用实验方法找到对应的两种调制方式的切换点,制成表格,采用查表和线性插值方法实现两种调制方式的近似最优切换,使得电流THD满足要求的同时,开关损耗较小。
4 实验验证
实验参数:电网电压220 V,通过单相调压器给电路供电,滤波电感10 m H,母线支撑电容1 000 μF,由于假设电动汽车内部的储能介质由双向DC/DC变换器进行控制恒流充电,在整流电压保持一定的前提下,充电过程可以等效为对电阻负载进行供电,所以用电阻负载进行模拟充电实验,电阻为100 Ω。
4.1 单极性调制实验
图6 为单极性调制时实验波形,其中CH1通道为电网电压波形,CH2通道为电网电流波形,CH4通道为直流母线电压波形;图7 为单极性调制时电网电流谐波分析结果。
由图6可知单极性调制时电网电压与电网电流同频同相,直流母线电压稳定于195 V,但电感电流存在过零点畸变问题。由图7可知单极性调制时电网电流THD为16.5%。
4.2 双极性调制实验
图8 为双极性调制时的实验波形,其中CH1通道为电网电压波形,CH2通道为电网电流波形,CH4通道为直流母线电压波形;图9 为双极性调制时电网电流谐波分析结果。
由图8 可知,双极性调制时电网电流波形不存在过零点畸变问题,且与电网电压同频同相,直流母线电压稳于193 V。由图9 可知双极性调制时电感电流THD为2.52%。
由双极性调制时的实验结果可以看出,双极性调制时电网电流波形明显好于单极性调制,不存在电流过零点畸变问题。
4.3 混合调制方式实验
图10为混合调制时开关管的驱动波形,CH1为开关管T2的驱动波形,CH2为开关管T3的驱动波形,CH3为开关管T1的驱动波形。由图10驱动波形可知,在过零点处为双极性调制方式,其余时间为单极性调制。
图11为采用混合调制方式时的实验波形;图12为采用混合调制方式时电网电流谐波分析结果。
由图11 可知混合调制时电网电流与电网电压同频同相,且其过零点不存在电流畸变问题。由图12可知混合调制时电网电流THD为4.35%。
由实验所得电网电流THD可知,相同参数下混合调制方式时电网电流THD介于单独采用单极性或双极性调制方式之间,相对于单极性调制而言,混合调制方式大幅减少电流THD;相对于双极性调制而言,可降低开关损耗,利于提高系统效率。
5 结论
采用单极性调制与双极性调制相结合的混合式调制方式,不仅可以解决单极性调制时过零点电流畸变的问题,提高电流正弦度,而且可以解决双极性调制时开关损耗较大的问题。在实现网侧单位功率因数,对电网产生的谐波污染小目的的同时,可以提高PWM整流器的效率。
参考文献
[1]王锡凡,邵成成,王秀丽,等.电动汽车充电负荷与调度控制策略综述[J].中国电机工程学报,2013,33(1):1-10.
[2]孙毅超,赵剑锋,季振东,等.一种基于虚拟电路闭环的单相PWM整流器控制新方法[J].电工技术学报,2012,28(12):222-230.
[3]王晗,张建文,蔡旭.一种PWM整流器动态性能改进控制策略[J].中国电机工程学报,2012,32(S):194-202.
[4]Wang R,Wang F,Boroyevich D,et al.A High Power Density Sin-gle-phase PWM Rectifier with Active Ripple Energy Storage[J].IEEE Trans.Power Electron.2011,26(5):1430-1443.
[5]张兴,张崇巍.PWM整流器及其控制[M].北京:机械工业出版社,2012.
[6]陈贤明,吕宏水,刘国华.单相整流/逆变H桥剖析及仿真研究[J].电气传动自动化,2012,34(5):1-7.
新型的手机充电模式:无线充电 篇3
现在社会中日常所用的电子产品都需要随时随地地进行充电, 所以人们也疲于使用各种插口及连接数据线。如果去掉这些数据线, 需要充电的设备也就摆脱了“线”的束缚。因此, 由于这种社会需求出现了无线充电技术。2010年9月1日, 全球首个无线充电的标准化组织———无线充电联盟在北京宣布将Qi无线充电国际标准率先引人中国。并起到了关键性的作用, 无线充电是不需要通过导线连接、插接其他辅助设备的充电技术。现在电子市场中也存在着类似的设备:例如诺基亚、小米、三星、华为等品牌的无线充电产品, 人们通过两线圈相互感应并进行电能转换的形式实现所谓的无线充电。不过, 该充电技术实现无线充电的前提必须是两线圈相靠极近, 而且传输效率也不是很高。除此之外, 这种无线充电器的使用有着很大的局限性, 注定这款设备的使用范围也很有限, 使得它不能被大众接受和推广。
现在的无线电力装置技术中, 传输的距离短, 但不能离发射端的线圈太远, 所以根本发挥不到真正“无线”的作用, 况且其输出的能量小, 只适用于电量需求小的用电电器, 故无线充电还有待于更大的提高。因为一直无法突破传输效率和远距离传输这几个关键性的难题, 所以使用的效果并不尽如人意。但是其发展空间还是非常巨大的。
无线充电设备的电磁能通过功能处理电路来进行电磁发射, 实现无触点一对多充电。较市场上针对性无线充电, 本装置优化了磁芯线圈的充电效率。采用LM324、肖特基二极管等优质元件, 更具有通用性, 其性能优越于普通元件。符合了当今社会节能的绿色思想, 在电路结构方面, 交流电经桥式整流和滤波电路滤波, 得到约20V的直流。作为充电控制部分的电源。为了保证电源管理模块可以正常运行工作, 电能的无线传输实际上由发射线圈和接收线圈组成。通过两个线圈的藕合作用实现的, 由两个线圈共同构成一个有磁线圈的变压器。
本装置采用电磁耦合原理, 将电能通过无线电磁能的形式传输给待充电设备。其结构主要由电源显示管理模块、电射电路模块、接收转换模块、充电模块共同组成, 功能模块如图1所示。
在接收单元空载情况下, 保持发射线圈和接收线圈同轴, 改变发射线圈和接收线圈间距, 测量接收单元两端电压DC。数据见表1。
由本装置的实验数据可以看出, 空载无线充电效率较市场现有的无线充电产品DC输出更高, 可用的传输距离更理想。
近年来, 随着新技术、高端材料的应用, 无线充电基本已经实现。依靠线圈之间的电磁感应的无线充电方式。但其工作距离短, 需要被充电的设备需要放置在充电座或者感应区之内。需要充电时, 发射器和接收芯片会同时自动开始工作, 充满电时, 同时就会自动关闭。充分的体现出节能的特点, 无线充电设备的效能接收只能在70%左右, 与有线充电设备相比, 效率确实不尽如人意, 但是它应具备充满自动关闭的功能, 避免不必要的电能消耗, 这一特点也被社会所需求。
中国是最大的手机销售市场, 而且世界上有60%的手机都产于中国, 所以无线充电技术肯定要在中国迅速发展。想要在手机上实现无线充电, 必须存在两个部分:发射器, 与电源连接, 负责向空间内发射电能。接受器, 一般安装在电子设备上, 用来接受电能。无线充电技术的优势在于方便、快捷和通用。不过其缺点就是效率不是很高。现今对便携式电子产品在充电时使用的数据线不仅仅可以进行充电, 同时还能把音频和视频文件通过USB接口传送到接收设备上。此外, 通过采用无线充电技术, 移动便携设备的公共充电站将会普遍的应用在社会当中。
试想在以后的社会中, 我们在咖啡厅, 办公室以及餐桌上, 只需要将手机安放在感应区域就可以享受充电这一“特权”, 可想而知是多么的方便快捷。到哪里都不会担心手机没电的苦恼。无线充电便携设备如果更方便, 可以更小型化, 那么对于手机的发展前途也是不可限量的。而且现在的智能家居方面也在慢慢转型为无线充电这一领域, 医疗方面想必也会使用到这一技术领域。就其社会实用性的特点是毋庸置疑的, 人人都希望简化, 而不喜欢繁琐。所以其以后必然是新兴设备。虽然无线充电技术已经占据部分市场, 但是必须要有一个共同的国际标准, 才能普及无线充电这一技术, 目前无线充电的通行标准是Qi标准, 这样在接受设备和发送设备之间才能拥有广泛的兼容性, 即使是不同的生产商, 不同的型号的产品之间也可以进行通用, 所以无线充电的技术标准化有着关键性的作用。
整晚充电不可取手机应该怎样充电 篇4
1 锂电池寿命及影响因素
锂电池的寿命是用充电周期来衡量的,所谓充电周期,指电池的所有电量由满到空,再由空充到满的过程。如果有一块1000毫安的电池,每用100毫安之后就充满电,那么要充10次电才算一个充电周期(100毫安乘以10次)。
因此,使用时完全没有必要等到电量快要用完的时候再去充电。有些人也提出一直连着充电器会损伤电池,这种说法确实是有依据的,因为锂离子电池的特性,即使电量已经充满,只要连接电源,它就还是会为电池继续充电,持续的通电对电池施加高压负载,导致电池超出负荷,这也是为什么有些手机在充电时会爆炸的主要原因。不过现在的手机都有过充保护功能,在电量充满后会自动断电。总之,持续处于高压负载的环境下是最缩短电池寿命的主要原因。那么怎样减少这种充电状态呢,首先需要先了解手机充电的过程。
2 手机电池的充电过程
接下来介绍下手机电池是如何进行充电的(新电池不适用,这里指的是用过一段时间的手机电池)。手机充电主要分为4个阶段。
第一阶段,为快速充电阶段。从连接充电器充电开始,电池的电压处于一个比较低的数值,随后电压开始迅速增长,由于开始时电流的数值较高,这阶段的充电效率可以说是最高的。第二阶段随着电流值逐渐降低,电压增长到一定值之后,其数值开始趋于稳定,由于电流数值较低,充电的效率降也会下降,最后电流数值接近于0,由于过充保护功能,充电过程会停止。第三阶段为一个缓冲阶段,充电电流数值为0,但电池并没有完成充电。此时电压开始逐渐降低,当电压值掉到一定数值之后,第四阶段也就是最后的充电阶段就开始了。第四阶段起步时又会有电流通过,使得充电继续开始,电压值此时也开始又一次上涨,第二次升至峰值。随着电流的降低,最后电池达到充满的状态。
快速充电的原理就是通过缩短第一阶段的时间来实现的,当提升了通过的电流之后,电压会以更短的时间达到第二阶段所需要的峰值,通过使用提升电流的方法,能够在很短时间内将电池的电量充到70%。这也是为什么快充插头的电流规格会比一般充电插头大的缘故。
了解了充电的过程之后,那么继续回到电池寿命的问题上来,这里要注明一点,就是高电压会给锂电池造成一定的负荷,所以说一直处于高电压的状态会增加到锂电池的负荷,从而减少其使用寿命。那么从充电的过程来看,电池一次充电到充满,电压要达到两次峰值,电池的负荷也会增加两次。
3 整晚充电对手机有何影响
手机充电一整夜到底有什么影响呢?其实充电一整夜就是一个完整的锂电池充电过程,许多手机都会有过充保护,在二次达到电压峰值,电量充满之后电池就会断电。此时手机将会将电源作为电量来源,也就是说,充满电之后,电池将处于断电未使用状态,手机的运行全靠外接电源供应。
这样电池充电也就只是经历了两次电压的峰值,对电池的影响并不是很大。不过有些手机并不是将电池充满后完全断开与电源的连接,这种情况下长时间连接充电器,电池肯定会一直处于高压状态,这样电池一直承受着高电压的负载,从而影响到了使用寿命。所以将手机充电一整夜的做法是有损电池寿命的。
对于新买的手机来说,锂电池的充电并没有特别多的注意事项,因为新电池充电时电流下降速度较慢,到充满时可能电流也不会掉到0,因此不必担心电压2次上升的问题。而对于那些使用过一段时间的电池来讲,其损耗导致充电电流下降较快,因此在用过一段时间后,建议充电时电量不要充满,这样可以有效延长电池寿命,最好是在充电的缓冲阶段拔掉充电器,也就是电量在80%左右的时候。
蓄电池的充电工艺规范与充电方法 篇5
1.初充电
新普通蓄电池或修复后的蓄电池 (更换极板) 在使用之前的首次充电为初充电。初充电的目的在于消涂蓄电池在库存期间极板表面产生的轻微硫化, 使活性物质得到更好的恢复, 以保证蓄电池的容量。初充电步骤如下:
(1) 检查蓄电池外壳有无破裂, 拧下加液口盖的螺塞, 检查通气孔是否畅通。
(2) 根据不同季节和气温选择电解液密度, 将适当密度, 温度低于30 ℃的电解液从加液孔处缓缓加入蓄电池内, 液面要高出极板上沿10～15 mm。
(3) 蓄电池加入电解液后, 静止3～6 h, 让电解液充分浸渍极板。此时由于电解液充分渗透到极板内部, 容器里的电解液减少, 液面下降, 应再加入电解液把液面调整到规定值。待蓄电池内温度低于30°时, 将充电机与蓄电池相连, 准备充电。
(4) 初充电按充电规范进行, 因为新蓄电池在储存中可能有一部分极板硫化, 充电时容易过热, 所以初充电的电流选用的较小, 充电分两个阶段进行。第一阶段的充电电流约为蓄电池额定容量的1/5, 充电至电解液中有气泡析出, 蓄电池单格端电压达到2.4 V。第二阶段充电电流约为蓄电池额定容量的1/30。
(5) 在充电过程中, 应经常测量单格电池的端电压和电解液密度, 当电压达到2.4 V时, 应及时转入第二阶段充电, 直到电压和电解液密度在2～3 h内不再变化, 并有大量气泡放出为止。初充电的充电时间约为45～65 h。
2.补充充电
补充充电即使用中蓄电池的充电。当蓄电池在使用中出现起动无力, 前照灯暗淡, 或电解液密度下降到1.20 g/m3以下, 以及冬季放电超过25%和夏季放电超过50%时, 就要及时进行补充充电。
补充充电的工艺与初充电基本相同, 其不同点是:充电前不需加注电解液, 当液面过低时, 一般需补充蒸馏水。另外, 充电电流的选择是:第一阶段为蓄电池额定容量数值的1/10, 第二阶段是第一阶段的一半, 为额定容量数值的1/20, 补充充电时间约13～16 h。
对于干荷蓄电池, 由于极板处于干燥的已充电状态, 所以使用时, 只需加满电解液后, 静放20～30 min即可装车使用, 减少了初充电工序, 提高了使用方便性。但是对于已超过有效储存期的干荷蓄电池, 由于极板部分氧化, 因此在使用前应补充充电5～10 h后再用。
3.去硫化充电
蓄电池发生硫化现象后, 内阻将显著增大, 充电时温升也较快。硫化严重的蓄电池就只能报废, 硫化程度较轻的可以用去硫充电法加以消除。具体操作如下:
(1) 首先倒出原有的电解液, 并用蒸馏水清洗两次, 然后再加入足够的蒸馏水。
(2) 接通充电电路, 将电流调到初充电的第二阶段电流值进行充电, 当密度上升到1.15时倒出电解液, 换加蒸馏水再进行充电, 直到电解液密度不再增加为止。
(3) 以10 h放电率放电, 当单格电压下降到1.7 V时, 再以补充充电的电流进行充电、再放电, 再充电, 直到容量达到额定值80%以上, 即可使用。
4.循环锻炼充电
循环锻炼充电是为了使极板的活性物质得以充分利用, 保证蓄电池容量不下降的一种方法, 在蓄电池正常补充充电 (或间歇充电) 之后, 用20 h放电率进行放电, 然后再实施正常补充充电。一般要求循环锻炼后的蓄电池容量应达到额定容量的90%以上, 否则应进行多次充放电循环。
5.间歇过充电
蓄电池充电终了后, 继续充电是有害的, 但考虑到蓄电池在机械上经常处于充电不足或部分放电状况, 可能产生硫化现象, 因此每隔一定时间, 在完成补充充电的基础上, 应进行一次预防硫化的过充电, 即有意识地把充电时间延长, 让蓄电池充电更彻底些, 以消除可能产生的轻微硫化。具体做法如下:
充电方式 篇6
关键词：电动汽车,实时充电优化,汽车充电预测,滚动优化,智能电网
0 引言
作为清洁能源汽车的代表,电动汽车近年得到了快速发展[1,2]。电动汽车数量达到一定规模后,如果任由其无序充电将对电网产生负面影响,引发电能质量下降[3,4,5]、网损增加[6,7,8],甚至危及电网稳定性[9]。因此,电动汽车智能充电(也称协调充电)问题得到关注,一种典型思路是将充电负荷转移到常规负荷的低谷时段,在满足汽车充电需求的同时,减弱其充电影响。研究表明,智能充电不仅能有效减少无序充电造成的电能质量下降和网损,而且能使电网总负荷曲线实现削峰填谷,增加电网运行效益[10,11,12,13,14,15,16,17,18,19]。
电力系统调度分为日前—滚动—实时3 个时间窗口,目前电动汽车智能充电优化研究主要侧重于日前离线和实时在线优化两方面。日前优化时,汽车入网时间和充电需求难以确知,需进行日前预测,常用做法是利用交通数据库分析它们的概率分布函数并获取特征参数[17,20,21],在此基础上优化汽车未来几个小时的充电功率。而目前的实时充电优化常采用“滚动式”优化方法,它和日前优化区别在于:第一,电网每个时刻仅考虑当前入网汽车信息,采集、刷新接入时间、当前电量、车主提供的充电需求和预计离开时间,故优化所需信息是确定的;第二,优化后对入网汽车只设定当前时刻充电功率,而非未来一段时间内的充电功率[11,14,19]。
为便于后文论述,本文将目前常见的实时充电优化方法称为常规方法。这类研究仅考虑入网(已接入电网)汽车信息,不考虑未入网汽车(尚在行驶中,未来可能接入电网)。因此虽然方法可行,但由于优化已知信息局限于入网汽车集合,有时优化效果并不够好[14]。随着信息通信技术(ICT)在电动汽车上的应用和汽车充电数据的不断积累[22,23],已有人研究如何结合汽车充电行为的历史规律和汽车当前运行状态,预测未来一段时间电动汽车入网时段、充电需求[24,25,26,27,28,29]。研究表明,虽然单辆电动汽车充电行为规律性较弱,预测较难,但对于由多辆汽车组成的汽车集群,各个时段的电量需求、可用充电功率的规律性较强,容易取得较高的预测精度。
基于此,本文在当前常规实时充电优化研究的基础上,考虑了将入网汽车信息,提出了计及汽车充电预测的实时充电优化方法:每个时刻,电网根据电动汽车未来充电行为的预测信息形成充电预测模型,并将预测模型纳入实时滚动优化模型中,求解已入网汽车当前时刻的优化充电功率。
与已有研究相比,本文贡献如下。
1)考虑到电动汽车预测在未来将越来越可靠,提出了一种新的实时充电优化方法,以引入将入网汽车预测模型的方式来利用预测信息,尝试回答未来预测信息如何有效应用的问题。
2)所提方法中,由入网汽车的确定信息构建的充电约束和未入网汽车的预测模型处理为两个分离的约束集合,从而使得无论后者预测精度如何,入网汽车都能满足自身的充电约束,保证实时充电方案的可行性。
3)由于预测精度对优化效果也将有直接影响,本文基于滚动优化,通过实时反馈电网当前峰谷水平、入网汽车充电状态和新的预测模型,重新优化当前时刻入网汽车充电功率,避免误差持续累积、放大。针对不同的预测精度进行了对比仿真分析,尤其是验证了较差预测误差下所提方法的效果。
1 实时充电优化模型和预测方法简介
为便于后文说明和对比,本节简介常规实时充电优化方法的数学模型和汽车充电行为预测方法。
1.1常规实时充电优化方法(简称RT方法)
电动汽车在夜间和白天的停车时间进行充电。夜间充电通常指的是晚上18:00左右到次日08:00点左右,这段期间,由于居民用电习惯,负荷仍然存在峰谷特性。由于车主充电习惯,不受控下电动汽车充电负荷将叠加在晚高峰上,造成更大的负荷高峰,需要通过实时充电优化,避免晚高峰,并进行填谷。本文采用夜间充电为例加以介绍,但相应控制目标和相应方法也可应用到白天“日间充电”上。
考虑面向夜间充电(如晚上20:00 到次日09:00)的实时充电优化问题。在时段[1,T]内(时段间隔为Δt)配电网有N辆电动汽车在不同时刻接入充电,电网实时优化汽车充电功率实现填谷:任一调度时刻t,电网将入网汽车作为优化对象,根据剩余充电需求,建立滚动时间窗内的填谷充电优化模型;求出最优解后,向入网汽车下发当前时刻优化值作为实时充电功率的设定值。建模时,设第n辆电动汽车入网和离开时刻为tnin和tnout,额定充电功率为rnmax,入网前的净充电需求为Rn(净充电需求可由汽车的目标荷电状态,初始荷电状态,电池容量,充电效率以及优化的时间步长确定[14]),时刻t的RT模型可表达为[14]:
式中:Nta为时刻t入网充电汽车集合,即Nta={n∈N|tnin≤t
根据各汽车的入网和离开时间,优化中的rn-(t)可由下式确定[14]:
在每个时刻,RT模型中的接入汽车集合、优化时间窗、各汽车的电量信息和优化充电功率都将重新采集、刷新,以使实时充电优化结果能满足入网汽车的实际充电需求[11,14]。
1.2汽车充电行为预测方法
伴随ICT技术的应用和车网通信技术的推进[22],已有不少研究者基于汽车充电行为的历史数据,并结合当前汽车的状态,预测汽车未来充电行为,如充电时间、充电地点、充电需求等[23]。目前常见3种预测方法。第1种预测方法是分析电动汽车的交通行为特点,建立汽车集群充电行为的动态微分方程,预测汽车充电负荷[24,25];第2种方法是利用已有的交通行为数据库,如全国居民出行的调查(NHTS),通过蒙特卡洛仿真车主的交通和充电习惯,建立随机概率模型(如非时齐semi-Markov模型)预测汽车在未来时段的充电时间、地点、负荷需求[26,27];第3种方法则是结合汽车的历史充电行为数据(可借助ICT技术采集得到),通过回归分析方法预测未来单辆电动汽车或者集群的充电时段,能量需求等信息[28,29]。在文献[28]中,采用第3种方法预测单车和汽车集群的充电行为。对于单辆汽车,根据文献[30],首先通过广义线性模型(GLM)方法预测汽车的入网时间段[tnin,tnout],再在此基础上预测单车的充电需求;而对于汽车集群,因各时刻入网充电汽车数量、充电需求、充电需求分布、最大充电功率(时刻t集群充电需求等于在该时刻离开的各汽车的充电需求之和;时刻t集群充电需求分布等于此时刻入网汽车的充电需求之和;时刻t的集群最大充电功率等于该时刻各电动汽车功率上限之和[28])等信息的周期规律比较明显,可直接采用线性回归模型进行预测。由于电动汽车集群中汽车个体较多,汽车个体充电规律的不均匀性彼此抵消,集群的规律性可能会更加明显,在电动汽车大规模普及的情况下相对单车预测可能有更高的精度。
综上可知,通过交通行为建模或基于历史数据的回归分析等办法,有多种方法可对单车或者汽车集群的充电行为进行有效的预测。基于此,本文未将研究重点放在如何预测充电负荷,而是将单车或者集群的充电预测信息作为建模时的已知输入,重点研究在预测信息可用的情况下,如何在实时充电优化中利用好这些信息,以取得比常规方法更好的效果。
2 基于模型预测的实时充电优化方法
本节根据单车或者集群的预测信息,在现有RT方法的基础上,分别建立基于单车或者集群模型预测的实时充电优化方法(简称为MPRT方法)。
2.1基于单车模型预测的MPRT方法(MPRT-1方法)
设任一调度时刻t,电网除考虑已入网汽车模型(如约束式(2)),还预测出未来Ttp时段内将入网的各辆电动汽车的接入电网时间段,充电需求,则可利用这些信息构建各车的充电预测模型,并结合约束式(2),得到MPRT-1 优化模型如下。
式中:Ntp为将在Ttp时段内入网的汽车集合,即;Tt为时刻t的优化时间窗,但从当前时刻延伸到Nta和Ntp中所有汽车的最迟离开时刻;为Ntp中的汽车n在时刻τ的预测充电功率上限,由式(6)确定;其余变量意义同前。
该模型中,约束式(2)描述了已入网汽车的功率和电量约束,约束式(5)描述了Ntp中各单辆汽车的预测模型。 由式(6)可知汽车未接入电网时,汽车不充电,而入网后为额定充电功率;此外约束式(5)还考虑了Ntp中各汽车的充电需求。值得注意,由于入网汽车的确定信息构建的充电约束和未入网汽车的预测模型处理为两个分离的约束式(2),式(5),所以无论后者预测精度如何,入网汽车都能满足式(2)中的充电约束,保证实时充电方案的可行性。
MPRT-1方法中,每个时刻首先确定已入网的汽车集合Nta,并刷新电量数据;再根据预测的时段长度Ttp确定将要入网的汽车集合Ntp和预测信息;再由以上信息,确定优化时间窗Tt,建立优化模型;采用集中式或者分布式优化求解该模型,向入网汽车下发当前时刻的优化值作为实时充电功率设定值,结束该时刻优化计算。计算步骤如图1所示。
2.2 基于集群模型预测的MPRT方法(MPRT-2)
设任一调度时刻t,如果电网预测出未来Ttp时段内将入网汽车集群各个时刻的充电需求R^p(t)、充电需求分布^pRD(t)、最大充电功率^r珔p(t)等信息,则可利用这些信息构建集群预测模型[28],并结合约束式(2),得到MPRT-2优化模型如下。
式中:Tt表示时刻t的优化时间窗,时间窗最末时刻Tt=max{Ttp,tnout|n∈Nta};rp(τ)表示优化中时刻τ集群充电功率;rp为由rp(τ)组成的向量;α(τ)是反映已充电量对集群可用充电功率影响的因子;其余变量定义如前。
约束式(8)采用了文献[28]中的集群预测模型,约束集第1个约束表示每个时刻集群的充电功率不能大于充电功率上限的预测值,引入因子α(τ)是由于集群实际可用充电功率上限将随集群已充电量的增加而减少,α(τ)的计算可参考文献[28];约束式(8)第2个约束表示集群充电量应不小于该时刻集群的充电需求;第3个约束表示集群充电量不应大于该时刻集群能吸收的最大电量。
与MPRT-1方法相比,Ntp中各辆汽车的预测模型在这里由一个集群预测模型代表。从预测的角度看,集群充电行为的规律性更加明显,预测较为容易,有助于电网进行实时充电优化;从计算角度看,若Ntp集合元素较多,MPRT-2方法的优化规模和计算量将比MPRT-1方法明显减少,并容易利用已有的分布式优化方法(如RTODC方法[14])进行求解。另一方面,由于约束式(2)和式(8)仍然是分离的,MPRT-2方法仍能保证入网汽车实时充电方案的可行性。MPRT-2方法的计算步骤如图2所示。
由于MPRT-1和MPRT-2方法思想类似,下文中统称为MPRT方法,分析其与目前常见的RT方法的异同。
3 MPRT和RT方法的理论分析
将RT和MPRT方法特点总结如表1所示。
由上表可见,MPRT方法与目前RT方法的区别就在于优化中利用了将入网汽车的预测信息。换言之,如果每个时刻无预测,即Ttp=0,Ntp= ,那么MPRT退化为现有RT方法;否则,引入预测信息将导致新的优化结果。例如,对于“理想”预测,即每个时刻Ttp足够长,Ntp=N/Nta,且入网汽车的预测信息无误差,那么由第2节中两个MPRT优化模型的目标函数和约束式,每个时刻MPRT方法的模型将计及所有汽车的准确充电信息进行优化,易知此时优化充电结果将是填谷的理论最优解,而目前的RT方法则很难获得这一结果[14]。而实际中,Ttp通常为有限时段,且NtpN/Nta,如果未接入的电动汽车的预测精度较高,MPRT方法仍能比目前RT方法更合理地优化入网汽车的充电功率。图3用一个直观的例子说明了利用预测信息有助于电网更合理地安排汽车实时充电功率。图中A和B代表了在t1和t2时刻入网的两组电动汽车的充电需求。
图3中假设各时刻优化时间窗都足够长。在图3(a)中,电网采用RT方法进行实时充电优化,由于电网在t2时刻之前并不知道有新汽车接入,所以每个时刻都预留部分A去填充t2之后的负荷低谷,这使得t1到t2时段内的总负荷曲线较低;而在t2时刻,新一组汽车入网,此时汽车总充电需求突增,电网将之填充在t2时刻之后的常规负荷低谷处,使得总负荷曲线较之前明显增高,整个时段内呈阶梯状,并没有实现理想的填谷。而在图3(b)中,电网采用MPRT方法进行实时充电优化,由于利用了预测信息,电网可预见在t2时刻将有充电需求为B的新汽车入网,故尽可能将充电需求A填充在t2时刻之前的负荷低谷处,避免了RT方法中不合理的做法,最终取得更好的填谷效果。
4 算例验证
为验证本文方法的有效性,分别对电动汽车入网充电时间的3种分散程度(分别用Case_1,Case_2,Case_3 代表)进行仿真。汽车入网充电时间在Case_1中相对集中,而在Case_3中相对分散。3种算例的仿真参数如表2所示[14]。在理想预测和有预测误差的情况下,分别仿真RT,MPRT-1 和MPRT-2方法的电动汽车实时充电功率,并和理论上的最优填谷曲线进行对比。参考文献[29],对单车和集群的预测,分别考虑3 种精度(分别用A1,B1,C1以及A2,B2,C2表示),如表3和表4所示。
4.1 理想预测下的结果对比
理想预测下,比较3种算例的RT和MPRT方法的实时充电优化结果,现有方法和MPRT结果与基准曲线对比如图4所示。负荷为标幺值;充电结束时间09:00。
图4中分别对比了从Case_1到Case_3的RT和MPRT方法的填谷效果。图中,RT,MPRT以及理想曲线在所有汽车结束充电(09:00)之后将和常规负荷曲线重合。通过和理论最优解对比,可知无论是MPRT-1还是MPRT-2方法,由于合理利用了对未来入网汽车的预测,图中都和理论上的最优填谷曲线重合,实现了最优充电。而对于RT方法,随着汽车入网时间分散程度增加,图中总负荷曲线阶梯现象明显,甚至严重偏离最优解(如图4(c))。这是因为电网缺乏汽车充电行为的预测信息,在夜间充电早期预留了大部分充电需求,致使夜间充电后期充电需求过大,从而造成阶梯状明显的总负荷曲线,无法实现理想的“填谷”。但是在理想预测或者很高预测精度下,MPRT方法通过对未来的预测,可更加合理地安排每个时刻的充电功率,使得填谷曲线相当接近理论最优解,保证填谷效果。进一步的比较和说明参考附录A。
为突出显示避免晚高峰的效果,Case_3下RT,MPRT-2方法和汽车自由充电(一接入电网就以最大功率进行充电)两种模式下系统负荷曲线对比如图5所示。充电结束时间09:00。
4.2 存在预测误差下的结果对比
通常理想预测难以实现,因而有必要研究不同预测精度对MPRT方法优化结果的影响。表5和表6给出了在不同预测精度下,RT,MPRT-1,MPRT-2方法和最优填谷曲线偏差的二范数。
对于上表,可见无论是MPRT-1还是MPRT-2方法,不同预测精度下的结果均优于现有RT方法。在最差预测精度下,MPRT方法所得结果和最优填谷曲线的偏差约是RT方法的10%,特别对于汽车接入时间较分散的Case_3,即使有预测误差的MPRT方法也远优于现有的RT方法。
图6进一步给出对于Case_3,C1和C2预测下的MPRT方法,RT方法得到的总负荷曲线,并将之与理想的填谷曲线对比,分析预测误差的影响。图中充电结束时间09:00。
由图可见,无论对哪种MPRT方法,预测误差的影响都主要发生在夜间充电早期,它使总负荷曲线在最优充电曲线附近发生波动。这是因为在夜间充电早期,大部分汽车并未入网,相应信息由带误差的充电预测获得。如果某时刻过高估计了未来的充电需求,电网将安排更多入网汽车在该时刻充电,故总充电功率将比最优曲线略高;反之,总充电功率将比最优曲线略低,所以曲线将出现波动,而不再如理想预测时那样能与和理论最优解重合。但即使在最差预测精度下,图中的曲线波动也是比较小的。在夜间充电后期,大部分汽车已经接入,优化信息确定,预测误差的影响将大为减少。
总之,由仿真可见,一般情况下,预测误差对MPRT方法影响有限,所得总负荷曲线仍然很接近理想的填谷曲线,可比现有方法更好地减少电网开机成本,提高效益。
5 结语
本文在目前只考虑入网汽车信息的实时充电优化方法中,引入未入网汽车在时间维度的预测信息来构建预测模型,以改善常规方法的优化效果,尝试回答了未来愈加准确的电动汽车预测信息如何有效应用于实时充电优化中的问题。
所提方法中,将入网汽车的确定信息构建的充电约束和未入网汽车的预测模型处理为两个分离的约束集合,保证任意预测精度下实时充电方案的可行性。再加之“滚动优化”的机制,通过实时反馈电网当前峰谷水平、入网汽车充电状态和新的预测模型,重新优化当前时刻入网汽车充电功率,避免误差持续累积、放大,使得所提方法,使得所提方法(无论是基于单车还是集群的预测模型)能够在不同的预测精度下都可比现有常规方法取得更好的填谷效果,而且电动汽车充电时间越分散,效果提升越明显。特别地,较差预测信息下的良好仿真效果表明,所提方法对电动汽车预测精度有一定的鲁棒性,即使在电动汽车发展初期预测效果较差的情况下,也有积极价值。
由仿真可知,预测精度越高,本文方法效果越好,因而未来有必要进一步研究汽车集群或者单车充电行为的预测方法,提高预测精度,例如通过信息通信技术和智能交通系统。此外,由于本文重点说明所提方法效果,故对模型中用户、电池和电动车性能等因素有所简化。 未来研究中可通过在约束式(2)中加入相应的约束对这些因素加以考虑。在本文研究基础上,未来还有必要进一步结合电力网络约束,研究将入网汽车的空间分布预测对于实时充电优化的影响。
充电方式 篇7
随着世界汽车工业的发展和居民生活水平的提高，我国汽车保有量迅速增长。与此同时，世界性能源短缺和环境污染问题也日益突出。而电动汽车作为新一代交通工具，以其节能、环保的优点，受到各国政府的广泛关注。世界各国纷纷出台政策，把电动汽车的发展放到重要的战略地位，我国也正在大力发展电动汽车产业，并出台了一系列的发展政策[1,2]。
然而随着电动汽车的大规模发展和普及，势必会对配电网产生影响，特别是造成配电网负荷的峰谷差增大、馈电损耗增加、变压器过载、电压跌落等负面影响[3,4,5,6]。同时，大规模电动汽车广泛接入电网，其使用特性在时间和空间上的移动性和随机性，使电动汽车负荷很难进行精确建模。
充电站作为电动汽车和电网进行能量交换的媒介，在运营和调度上，都对电网和电动汽车用户产生很大的影响。充电站的有序运营是实现大规模电动汽车有序充电的基础。而且，充电站内电动汽车有序充电对于提高配电网运行的经济性和降低电动汽车负荷对配电网正常运行的不利影响具有重要的意义。
在电动汽车与电网互动方面，国内外学者已经进行了大量的研究工作。其中，文献[7]在理论上论证了配电网馈电损耗、负载率和负荷方差三者的关系，提出了降低网络损耗的有序充电方案，进一步仿真得出了将负载率和负荷方差作为优化目标的有序充电方法计算速度更快;文献[8]提出了时序最优潮流(Time Coordinated Optimal Power Flow,TCOPF)的方法，通过对PHEV(Plug-in Hybrid EV)的储能单元进行控制以及改变变压器分接头的操作来进行有序控制;文献[9]提出在以换电站作为储能系统的区域独立供电系统中，以经济利益最大化作为目标函数，得到区域独立供电系统的运营方案;文献[10]以负荷峰谷差最小为目标函数，提出利用动态插值的方法进行有序充电控制。文献[11]提出以充电站运营经济最大化为优化目标，以配电变压器容量和用户需求为约束的有序充电方案。
在上述研究中，大部分优化过程是离线的。离线运行是指在每天运营之前提前得到有序充电方案。由于实际的充电站运营情况往往不能和预测情况完全一致，因此离线控制过程一般不够精确，有必要提出一种在线的实时运营方案。
本文旨在提出一种充电站动态有序充电的优化方法，以配电网负荷方差最小为优化目标，以充电站的规模、用户需求等为约束条件，基于粒子群优化算法建立优化模型，降低快速充电站对配电网负荷波动造成的不利影响，在实现电动汽车有序充电控制的同时，有效改善配电网的负荷特性。
1 动态优化策略与数学模型
1.1 动态优化策略
动态优化策略，在本文中是指在规定的时间范围制定有序充电的动态方案。在动态优化过程中，需要将优化总时长分成若干时间段分别进行优化。时间段分割的越短，优化越精确，而精度的提高会极大增加计算量和计算时间。
根据文献[11,12]中对电动汽车运行特性的分析可以看出，电动汽车的充电负荷主要是由其起始充电时刻和充电时长决定的。本文以每辆车的起始充电时刻作为优化的目标变量，每辆车的充电时长由车辆起始充电时电池的荷电状态(State of Charge,SOC)决定。在有序充电模型中，通过分时段优化对目标变量进行求解。
1.2 动态优化的目标函数
本文旨在通过分时段优化来减小充电站负荷接入对配电网的影响，因此将每个时间段的目标函数
确定为使得配电网的负荷率最大，或负荷方差最小[7,13]。根据文献[7]中的分析和建议，本文采用使配电网负荷方差最小的方法。在优化中，常规负荷采用负荷预测的结果，充电负荷采用充电站实时运行的结果。
式中：i表示离散的时间分量，记为第i时刻;n表示总优化时间，在优化初始时设定;LDi表示第i时刻的配电网总负荷，包括常规负荷和充电站负荷;LDaverage表示在时间n内，配电网总负荷的平均值;LDgrid-i表示第i时刻的常规负荷值，是负荷预测的结果，不随优化过程而改变;LDstation-i表示第i时刻的充电站负荷，随优化结果实时变动。其中，充电站负荷忽略照明等日常负荷。
1.3 动态优化的约束条件
本文中主要以充电站规模、电动汽车用户的需求等为约束条件，如下：
(1)要求充电站所在配电网下的总负荷要小于变压器的配电容量。
式中：LDmax表示配电网总负荷峰值;ST表示配电变压器容量。
(2)要求所有的时间参数符合电动汽车的运行规律。Tin-j、Tstart-j、Tc-j、Twait-j和Tout-j分别为第j辆车进入充电站的时刻、起始充电时刻、充电持续时间、在充电站可以等待的时间以及离开充电站的时刻，则显然有
其中，Twait-j为用户设定值。
(3)在充电过程中，需要保证车辆的充电功率在充电机的功率限制之内。
式中：Pch-min、Pch-max分别为充电机功率下限和上限;Pji是第j辆车第i时刻的瞬时功率。
(4)优化过程中SOC符合以下限制。
式中：SOCji表示第j辆车第i时刻的SOC值;SOCmin、SOCmax分别表示设定的SOC下限和上限;在本文中SOC上限为100%，下限为10%。
(5)充电站内电动汽车充电为先恒流后恒压模式[14,15]，如图1为不同起始SOC条件下的电动汽车充电曲线，可以看出5条充电曲线的充电部分几乎完全重合，则可以在模型中认为不同起始SOC下的充电功率曲线是整条曲线中的一部分。充电功率曲线可以由起始SOC决定。
其中，SOCs-j为第j辆车的充电起始SOC值。函数f和g都可以通过图1求解。
2 动态优化控制算法和步骤
2.1 动态循环过程介绍
动态优化的最终优化结果是得到进入充电站的每辆车的起始充电时刻。在本文中以15 min作为一个时段。在每个时段更新车辆数，进入寻优算法，得到最优结果并更新负荷曲线，然后进入下一时段的优化，并对之前的优化结果做出修正，由此得到仿真总时长的运营方案。
2.2 动态优化的控制算法
动态控制算法是利用粒子群算法作为优化的基本算法，在每个动态循环中进行调用，从而完成动态优化过程。
粒子群算法[16,17,18,19,20]是从鸟类生物种群行为特征中得到启发并用于求解优化问题，在粒子群算法中，每个个体称为一个“粒子”，其实每个粒子代表着一个潜在的解。每个粒子对应一个由适应度函数决定的适应度值。粒子不断调整位置，实现个体在解空间中寻优。
在每次迭代中，粒子根据式(10)、式(11)分别更新速度和位置。
式中：i=1,2，…，m,m为粒子规模，本文中取20;d=1,2，…，D,D表示单个粒子的维度;k是迭代次数，本文中k取400,r1和r2为[0,1]之间的随机数，这两个参数是用来保持群体的多样性。c1和c2为学习因子，为常量，本文中取值均为1.494 45。
在每次调用中，粒子群算法的变量为每辆车的起始充电时刻，其维度D即为参与该时段动态优化的车辆数，由每时段仿真的随机过程而定。
2.3 动态优化步骤
1)生成车辆初始参数
每辆车进入充电站后，车辆基本信息通过监控系统输送到充电站控制中心，在本文中采用随机模拟的方法生成。主要包括以下几项：
(1)生成车辆数计数向量：Vnum
Vnum代表每时段进入充电站的车辆数，根据运营经验，采用正态分布来生成。n为仿真总时长，np表示每时段时长，np=15 min。则总时段数Period为
(2)生成车辆等待时间向量：Twait
N表示规定总时间内进入充电站的总车辆数。
用1N的Twait来表示用户在充电站内可等待的时间。
可以看出，第j辆车Tin-j是通过Vnum中车辆的到达时刻来确定，Tstart-j却是由优化算法的结果来确定。Tout-j由Tin-j和Twait-j共同确定。
(3)生成剩余SOC向量：SOC
用1N的SOC向量表示每辆车回到充电站时的剩余SOC量，到站剩余SOC量将会决定车辆的实际充电功率曲线。
2)求负荷曲线
由于负荷值是每15 min采集一次的，所以需要进行三次样条插值，使得曲线精度提高。在本文中，最终得到的负荷曲线时间精度是1 min。
3)更新当前时段可优化的车辆数
每15 min更新一次，读取当前时段进入充电站需要充电的车辆信息，同时读取上一时段需要进行延迟充电的车辆信息。
4)粒子群优化
根据优化算法的约束条件，将电动汽车的初始数据代入粒子群算法中，以配电网总负荷的负荷方差最小为目标函数，确定优化后每辆车的起始充电时刻。
每15 min更新一次，得到每辆车的起始充电时刻，如果最优结果是在当前时段，则立即开始充电，如果优化结果是之后的时段，则需要延迟充电，将保留粒子进入下一次优化过程。
5)负荷叠加，循环优化
如果确定某车辆在当前时段开始充电，则其充电负荷就在常规负荷上进行叠加，更新负荷曲线。
进行下一次循环，从步骤2)开始，然后读取下一时段内车辆的充电需求，连同步骤4)中的保留粒子一起进行优化，再次进入步骤4)、步骤5)。
2.4 动态优化流程图
按照上述2.3节介绍的动态优化算法的主要仿真步骤，图2展现了充电站实际运行时的主要流程。
3 算例分析
假设在配电网内，某一节点为充电站负荷，其他节点为常规负荷。本文设置三个算例，均设置为每15 min进行一次循环，循环次数为40。利用概率分布特性生成随机数在充电站内进行充电站运营模拟，假设每时段进入充电站的车辆数、车辆等待时间、回站SOC均符合正态分布规律。根据动态优化算法进行优化运算，得到每辆车最优的起始充电时刻，从而可以得到充电站的负荷曲线以及配电网的最终负荷曲线。
3.1 参数设置
以下是利用正态分布生成的模拟电动汽车运营数据：
(1)每时段进入充电站的车辆数，三种情况设置略有不同;其中，分为三种情况进行模拟。
Case1:
每时段进入充电站的车辆数为0～3辆，按正态分布模拟。
Case2:
每时段进入充电站的车辆数为3～6辆，按正态分布num(28)4.5;num(28)1.0模拟。
Case3:
每时段进入充电站的车辆数为6～9辆，按正态分布模拟。
(2)每辆车的等待时间按进行模拟。
(3)每辆车进入充电站时的剩余SOC量按进行模拟。
3.2 无序充电和有序充电结果对比
假设经过动态优化得到的负荷曲线为有序充电曲线，而按照进入充电站立即开始充电得到的负荷曲线为无序充电曲线。以下为在不同的案例中，有序充电负荷与无序充电负荷的对比分析。
(1)Case1补偿结果，如图3。
充电站负荷与常规负荷的总量对比如表1所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表2所示。
从图3中可以看出原应出现的充电尖峰被移到了负荷的低谷时段，起到了削峰填谷的作用。从表1和表2的数据看出，由于车辆数较少，充电负荷叠加后没有对负荷峰值造成影响，但通过负荷方差可以看出有序充电优于无序充电，降低670 kW2。
(2)Case2补偿结果，如图4。
充电站负荷与常规负荷的总量对比如表3所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表4所示。
Case2中参与优化的车辆数增多，从表3也可以看出电动汽车负荷的渗透率增大5.55%。从表4的数据也看出优化过后负荷方差降低5 492 k W2，最大负荷降低341.2 kW，负荷率增长7.81%，综合图4和表2说明采用动态优化的有序充电方法，合理分配电动汽车的充电负荷，极大改善了负荷特性。
(3)Case3补偿结果，如图5。
充电站负荷与常规负荷的总量对比如表5所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表6所示。
从图5可以看出在渗透率达14.20%时，电动汽车负荷已经在总负荷中占较大比重，此时无序充电对负荷特性的影响更为严重，动态优化过后，负荷方差降低3 118 kW2，最大负荷降低392.8 k W，负荷率增长7.95%。随着电动汽车负荷渗透率增加，动态优化的有序充电方法的效果就越为明显。
3.3 结果分析
综上算例仿真，可以得出以下分析结果：
1)动态有序充电策略对于改善配电网负荷特性，降低电动汽车充电负荷的不利影响有明显的效果。
2)动态优化算法相对于离线优化算法其最大的优势在于其实时动态的特点，离线优化算法不仅需要常规负荷的日前预测，还需要电动汽车运行状况的日前预测，而动态优化可以对实时运行在15 min内做出快速反应，提高有序充电控制的时效性和准确性。
4 结论
本文结合配电网的负荷特性以及充电站的实际运营状况，充分考虑用户的实际使用需求，以配电网负荷方差最小为优化目标，以充电站的规模、用户需求等为约束条件，基于粒子群优化算法建立了改善配电网负荷特性的动态优化的数学模型。
针对不同渗透率下的动态优化方案对于负荷特性的改善情况，证实了动态优化方案可以移峰填谷，改善配电网的负荷特性，实现配网的经济运行;随着电动汽车渗透率的增加，改善效果更加明显。
在实际运营中，还需要根据车辆类型的不同、充电站的运营收益等考虑更多的实际问题[21,22,23]。后续计划进一步针对实际问题，深入研究不同类型车辆的优化充电策略，例如公交车、私人乘用车以及出租车等。
摘要：充电站的建设与运营是电动汽车发展的基础性工程。以持续时段内配电网负荷方差最小为优化目标,以充电站的规模和用户需求为约束条件,基于粒子群优化算法提出了结合配电网负荷特性的充电站有序充电的动态优化方案。利用概率分布随机模拟的方法模拟用户的运行特征,对不同渗透率下,将动态优化的有序充电和到站即充的无序充电二者在负荷特性上进行对比分析。研究结果表明,通过动态有序充电优化方案可以降低负荷波动,优化配网特性,起到移峰填谷的作用。